TokaMind omdanner tokamak-eksperimenter til prædiktive modeller for at accelerere STEP-anlægskontrol, simulering og design.

Kernefusion er fortsat et af de store teknologiske løfter i energiomstillingen. Ikke fordi det sandsynligvis vil erstatte fossile brændstoffer lige foreløbig, men fordi det koncentrerer mange af de udfordringer, der definerer industriel innovation i dag, i et enkelt videnskabeligt problem: kontrol af komplekse systemer, højtydende databehandling, håndtering af store mængder eksperimentelle data, prædiktive modeller og sikkerheden af ​​kritisk infrastruktur. Det er i denne kontekst, at TokaMind, fundamentsmodellen udviklet af IBM med Det Forenede Kongeriges Atomenergimyndighed og STFC Hartree Centre at analysere plasma i tokamakker.

Projektet blev præsenteret af partnerne som den første grundlæggende kunstige intelligensmodel dedikeret til fusionsplasma. Målet er ikke at generere tekst, billeder eller indhold, som det er tilfældet med de mere kendte modeller, men at omdanne heterogene fysiske data til en struktureret repræsentation af plasmaets adfærd. For fusionsforskning betyder dette at forsøge at forstå mere omfattende, hvad der sker inde i en eksperimentel maskine, når magnetfelter, systemgeometri, temperatur, tæthed og højfrekvent diagnostik interagerer inden for få sekunders drift.

Fusion har til formål at reproducere den reaktion på Jorden, der driver Solen og stjernerne. I en tokamak opvarmes hydrogenisotoper til temperaturer, der er højere end solkernens, for at danne plasma, en supervarm, ioniseret gas, der er indesluttet af magnetfelter. Udfordringen er at holde plasmaet varmt, tæt og stabilt nok til at producere mere energi end den, der tilføres, samtidig med at man undgår ustabiliteter, der kan beskadige maskinen. Dette er kernen i den såkaldte breakeven, den symbolske og tekniske overgang til en fremtidig fusionsbaseret elproduktion.

Over 50 tokamakker er i drift verden over, med varierende konfigurationer, formål og størrelser. Industrien arbejder ikke kun med plasmafysik, men også med evnen til at omsætte eksperimenter, sensorer og simuleringer til operationel viden. Det er her, kunstig intelligens kan blive et accelererende værktøj, ikke som en erstatning for fysik, men som et mellemliggende lag mellem eksperimentelle data, matematiske modeller og tekniske beslutninger.

Et digitalt plasmaatlas er født fra MAST tokamak

TokaMind blev trænet på data fra eksperimenter udført med FED, UKAEA's Mega Ampere Spherical Tokamak, som var i drift mellem 1999 og 2013. Maskinen havde en mere kompakt konfiguration end den klassiske toroidformede tokamak: forskerne beskrev den som mere lig et æble uden kerner end en doughnut. Denne sfæriske geometri anses for interessant, fordi den kan give en vej til mere kompakte og potentielt mere effektive anlæg.

Tokamak-eksperimenter kaldes "skud". De varer et par sekunder, men producerer en stor mængde signaler. I hvert skud kan hundredvis af sensorer registrere, hvordan plasmaet reagerer på forskellige manipulationer af maskinen. Udfordringen er ikke blot at indsamle data, men at gøre dem sammenlignelige: forskellige frekvenser, forskellige tidsskalaer, diagnostik, der ikke altid er fuldstændig, og fysiske signaler, der skal harmoniseres til en sammenhængende repræsentation.

Ifølge det materiale, som partnerne har frigivet, fusionerer og koder TokaMind cirka 40 forskellige signaler, lige fra den fysiske beskrivelse af plasmaet til maskinens og magneternes diagnostiske data. Modellen tæller 9 millioner parametre, en lille størrelse sammenlignet med store generative modeller, men den fungerer på meget fysisk kompleks information. Dens hovedfunktion er at opbygge en overførbar repræsentation af plasmadynamik, som derefter kan bruges til forskellige analytiske opgaver.

"Vi startede sidste år med UKAEA og STFC for at undersøge, hvordan de mest avancerede grundlæggende AI-teknikker kunne understøtte fusionsplasmamodellering og dens anvendelser. To år senere har vi ikke kun udgivet den første grundlæggende model til en tokamak, men også nye standarder inden for fusionsalgoritmisk forskning."

han erklærede Juan Bernabé-Moreno, direktør for IBM Research Europe for Irland og Storbritannien.

Beslutningen om at bruge TokaMind med åben kildekode, sammen med benchmarken TokaMarkDet signalerer også et kulturskifte. Fusion er traditionelt en sektor baseret på store infrastrukturer, internationale samarbejder og vertikal ekspertise. Offentliggørelse af en model og en evalueringsramme betyder, at en del af arbejdet åbnes op for det videnskabelige og industrielle samfund, hvilket fremmer sammenligning, validering og genbrug.

Mindre spektakulære data bliver en videnskabelig ressource

Et af de vigtigste aspekter af projektet handler om, hvordan kunstig intelligens ændrer forholdet mellem forskere og eksperimentelle data. Tidligere er mange opdagelser inden for fusionsfysik kommet fra analyse af de mest interessante tilfælde, dvs. eksperimenter med højtydende eller anomal adfærd. Denne tilgang er fortsat essentiel, men risikerer at overse en betydelig del af informationen i almindelige data.

Rob Akers, direktør for computerprogrammer ved UKAEA, opsummerede pointen ved at bemærke, at fristelsen altid er at se på de mest interessante og højtydende plasmaer. Men selv de tilsyneladende "kedelige" billeder kan indeholde nyttige signaler. Med en model, der er trænet på hele datasættet, kan forskere træffe beslutninger baseret på en bredere informationsbase, hvilket reducerer risikoen for kun at vælge det, der bekræfter allerede kendte hypoteser.

"Nu hvor vi kan bygge modeller omkring hele datamængden, formoder jeg, at vi vil lære værdifuld ny indsigt. AI vil give os mulighed for at træffe beslutninger baseret på alle dataene."

Rob Akers forklarede.

"Det store spørgsmål er, om vi med sikkerhed kan udvide disse modeller til et punkt, hvor de er nyttige til design af kraftværker i kommerciel æra."

Den anvendte metode minder om grundlæggende modeller, der anvendes på andre videnskabelige områder. TokaMind var præ-trænet med delvist maskerede data, som modellen skulle rekonstruere. Ved at lære at udfylde hullerne udviklede den en repræsentation af systemet, der også var nyttig til efterfølgende opgaver. I TokaMark-benchmarken, designet af de samme forskere, klarede modellen sig bedre end på næsten alle områder. 14 opgaver en traditionel maskinlæringsmodel, der trænes separat til hver opgave.

Fordelen var mest tydelig i langsigtede prognoser. Tobia Boschi, en IBM-forsker involveret i træningen, fremhævede netop dette punkt som modellens evne til at lære en overførbar repræsentation af plasmadynamik. I industrielle termer er dette et vigtigt skridt: en nyttig teknologi skal ikke kun beskrive, hvad der allerede er sket, men også hjælpe med at forudsige, hvordan systemet vil udvikle sig under forskellige driftsforhold.

Forudgående træning havde også en sekundær effekt på datasættenes kvalitet. I tokamakker kan en enkelt sensor registrere anomalier eller overse en del af signalet uden at påvirke hele eksperimentet. Alessandra Pascale, en IBM-forsker, der leder ingeniørteamet, forklarede, at modellen kan hjælpe med at gendanne data, der ellers ville være vanskelige at bruge. Det handler ikke om at opfinde målinger, men om at gøre informationssættet mere robust, når en del af det diagnostiske system udviser fejl eller huller.

STEP ser tilbage på 1940'erne med mere robuste modeller

Resultaterne opnået med MAST ser direkte på det fremtidige britiske program TRIN, Sfærisk Tokamak til energiproduktion. UKAEA-fusionskraftværkets prototype forventes i 2040'erne og vil skulle drage fordel af de eksperimenter, der udføres i dag med MAST opgradering, eller MAST-U, i et område syd for Oxford. Hver test bidrager til at definere design-, kontrol- og driftsstyringsbeslutninger, der vil være afgørende for et demonstrationsanlæg.

Springet fra eksperimentel maskine til kommercielt kraftværk er ikke lineært. Plasmafysik styres af turbulens, atomare interaktioner, ikke-lineære ustabiliteter og fænomener i flere skalaer. Af denne grund præsenterer partnerne ikke TokaMind som en selvforsynende løsning. Modellen repræsenterer et første skridt mod hybride systemer, hvor reelle data, fysiksimuleringer, højtydende databehandling og potentielt kvantealgoritmer alle bidrager til den samme beslutningsproces.

Den næste fase af projektet involverer inkludering af data fra MAST-U og potentielt andre tokamakker. Denne udvidelse kan give forskere mulighed for at sammenligne forskellige maskiner, identificere lovende konfigurationer og forstå, hvordan geometri, kontrolparametre og plasmatilstand påvirker hinanden. Dette repræsenterer et betydeligt skift i skala: fra en repræsentativ model af et anlæg til en platform, der er i stand til at understøtte sammenlignende analyser.

"Vi kunne potentielt udvide eksisterende eksperimenter med nye aktuatorer for at belaste plasmaet og få det til at fungere bedre, hvilket bringer det ind i et nyt driftsregime."

sagde Rob Akers.

"Hvis vi begynder at kombinere eksperimentelle data med vores teoretiske eller modelbaserede forståelse af plasma, kan dette være transformerende."

I industrielt designsproget kan TokaMind læses som en surrogatmodelEn AI-surrogat erstatter ikke en fysisk simulering med høj kvalitet, men den muliggør hurtigere udforskning af store dele af designområdet. Den er billigere beregningsmæssigt, mere agil i screeningsfasen og nyttig til at identificere usikkerheder, lovende kombinationer eller scenarier, der skal udforskes yderligere med dyrere værktøjer.

Akers behandlede også problemet med sjældne hændelser. Kombination af surrogatmodeller med high-fidelity-simuleringer kan forbedre den samlede kvalitet af prognoser og hjælpe med at undgå meget usandsynlige, men potentielt alvorlige scenarier. I en teknologi, der en dag skal fungere stabilt, sikkert og kontinuerligt, er håndtering af risikokøer lige så vigtigt som at øge den gennemsnitlige ydeevne.

AI, HPC og kvanteteknologi indgår i den samme arkitektur

Den næste grænse vedrører integrationen af ​​maskinlæring og formaliseret fysisk viden. En af de første ligninger, som forskere har angivet for TokaMind, er Grad-Shafranov, som beskriver ligevægten i et tokamak-plasma: plasmaets udadgående tryk afbalanceres af den indadgående kraft fra det begrænsende magnetfelt. Inddragelse af denne viden kan forbedre modellens evne til at fortolke plasmaets form, position og tilstand.

Denne retning er i overensstemmelse med en bredere tendens inden for videnskabelig kunstig intelligens: at bygge bro mellem rent statistiske modeller og modeller baseret på fysiske principper. Målet er ikke at vælge mellem data og teori, men at få dem til at fungere sammen. Eksperimentelle data viser, hvad der sker i den virkelige maskine; simuleringer giver os mulighed for at udforske forhold, der er vanskelige eller dyre at reproducere; grundlæggende modeller kan forene denne information til overførbare repræsentationer.

Projektet vil også have en rolle Solopgang, UKAEA's nye AI-supercomputer, forventes at blive det mest kraftfulde system dedikeret til fusionsenergi. Højtydende databehandling er fortsat rygraden i hele processen: det er nødvendigt for at håndtere store datasæt, numeriske simuleringer, surrogatmodeller og fremtidige integrationer med kvantemetoder.

"De beregningsmæssige udfordringer, vi står over for i forbindelse med fusion, kan kun løses ved at forene kvantecomputere, kunstig intelligens og højtydende databehandling."

han erklærede Alessandro Curioni, IBM Fellow og vicedirektør for algoritmer og applikationer hos IBMResearch.

"Kvanteteknologi kan håndtere fysik, som klassisk databehandling ikke kan, mens kunstig intelligens kan levere hurtige og pålidelige resultater; HPC er den beregningsmæssige rygrad, der kan skalere og integrere disse komplementære metoder."

Årsagen er teknisk. Plasma styres af interaktioner på atomniveau, turbulens i flere skalaer og stærkt ikke-lineær dynamik. Datadrevne modeller kan genkende mønstre i eksperimentelle eller simulerede datasæt, men de arver også begrænsningerne i de data, de er trænet på. Når den underliggende fysik bliver for kompleks til at simulere med klassiske metoder, kan nøjagtigheden stagnere. Kvanteberegninger kan, i hvert fald i fremtiden, repræsentere kvantemekaniske systemer mere naturligt.

For energisektoren er det mest interessante element ikke det abstrakte løfte om kvanteberegning, men den potentielle kombinerede arkitektur. Kunstig intelligens til at bygge hurtige surrogater, HPC til at skalere simuleringer og pipelines, kvantealgoritmer til at generere højtydende fysikdata om aktuelt udfordrende dele af problemet. Det er en model for sammensat innovation, hvor fremskridt opstår fra integrationen af ​​forskellige værktøjer snarere end en enkelt løsningsteknologi.

Fusion er fortsat en åben udfordring. Ingen model kan fjerne kompleksiteten ved at bringe en stjernereaktion ind i et sikkert, stabilt og konkurrencedygtigt industrianlæg. TokaMind demonstrerer imidlertid, hvordan forskningen ændrer sin tilgang: mindre afhængighed af enkeltstående, symbolske eksperimenter, større brug af hele informationslandskabet, større opmærksomhed på modeloverførbarhed og konvergens af data, fysik og avanceret databehandling. Det er i denne overgang, selv før den når elproduktion, at fusion allerede genererer innovation.

Her er tre indsigter, som måske interesserer dig:

WEST tokamak slår verdensrekord for stabilt plasma
Nuklear fusion: sådan isolerer MIT plasma og vægge i tokamaks
Googles AI til at regulere kernefusionsplasma